Proceso de cálculo de víctimas imputadas
Desapariciones forzadas desagregadas por sexo - 1985-2016
Introducción
Si es su primera vez trabajando con los datos, no está muy familiarizado con el
paquete o simplemente quiere conocer más sobre el proyecto y el objetivo de
estos ejemplos y el paquete verdata, consulte:
https://github.com/HRDAG/CO-examples/blob/main/Introducción/output/Introducción.html
antes de continuar.
En este ejemplo, se ilustrará el proceso para obtener los datos imputados de la presente violación. Específicamente, se replicará la tabla 7 de la página 15 del anexo metodológico del proyecto.
Autenticando e importando la base de datos (réplicas)
Se comienza autenticando e importando la base de datos, esto a
través de dos funciones del paquete verdata: las funciones confirm_files y
read_replicates. La autenticación de los datos es pertinente dado que estos
fueron publicados con la licencia de atribución 4.0 internacional de Creative
Commons (CC BY 4.0). Esta licencia permite la distribución y modificación de la
información. Considerando que usted pudo haber llegado a estos datos por medio
de diferentes fuentes, es importante que sepa si han sido modificados o no, para
lo que puede hacer uso de estas dos funciones.
La función confirm_files autentica los archivos que han sido descargados.
Considerando que cada violación tiene hasta 100 réplicas, esta función permite
autenticar cada uno de estos archivos sin necesidad de leerlos a R. Esto, en
caso de querer ahorrar recursos computacionales, o en caso de que no vaya a
realizar su análisis con todas las réplicas. Esta función devolverá el mensaje
“You have the right file!” si los archivos son iguales a los publicados, o
el error “This file is not identical to the one published. This means the results of the analysis may potentially be inconsistent.” en caso contrario.
Además, la función read_replicates permite 2 cosas: leer las réplicas a R en
una sola tabla (ya sea a partir de un formato csv o parquet) y verificar
que el contenido de las réplicas sea exactamente igual al publicado.
Cuando el argumento crash tiene su valor por default (TRUE), la función
retorna un objeto (data frame) si el contenido es igual, y el mensaje
“The content of the files is not identical to the ones published. This means the results of the analysis may potentially be inconsistent.” si el contenido de la base fue
previamente alterado/modificado, lo que quiere decir que los análisis que el
usuario realice serán inconsistentes y llevarán a resultados erróneos.
Este último error significa que nos datos no se han leído a R. Si por alguna
razón, usted quiere leer los datos a pesar de saber que no son los mismos datos
originalmente publicados, puede cambiar el argumento crash a FALSE, y,
en ese caso, podrá ver dicha información junto con el mismo mensaje de advertencia.
replicas_datos <- verdata::read_replicates(here::here("verdata-parquet/desaparicion"),
"desaparicion", 1, 10)
paged_table(replicas_datos, options = list(rows.print = 10, cols.print = 5))Vemos que tenemos 1 720 970 registros, nuestras réplicas van desde la número 1 hasta la 10. Además, nuestros datos tienen información sobre la categoría de edad de la víctima, el presunto perpetrador, el sexo, el año del hecho, la pertenencia étnica, entre otros.
Víctimas documentadas
Importadas nuestras réplicas es momento de obtener una tabla con la información
documentada, la misma que se obtuvo en el ejemplo sobre víctimas documentadas sobre el cálculo de víctimas documentadas para esta misma variable
(con la función summary_observed). Esta información -previamente calculada- la
importaremos desde la carpeta “output-documentados”.
tabla_documentada <- arrow::read_parquet(here::here("Resultados-CEV/Documentados/output-documentados/desaparicion-sexo-documentado.parquet"))
paged_table(tabla_documentada, options = list(rows.print = 10, cols.print = 5))Víctimas imputadas
Posterior a esto se aplica la función de combine_replicates que,
como su nombre lo indica, permite combinar las réplicas para obtener lo que
denominamos “la media de la estimación puntual” junto con el intervalo de
confianza que permite dimensionar la incertidumbre de la imputación. Para esta
función se siguieron las reglas de combinación de Rubin, que, si desea estudiar con
más detalle de qué se trata, el libro Flexible Imputation of Missing Data de Stef van Buuren aborda paso a paso este proceso.
Ahora, esta función se compone de los siguientes argumentos: la violación a
analizar; 2) tabla_documentada, es decir, el data frame
derivado de la función summary_observed; 3) la base de datos
filtrada replicas_datos; 4) strata_vars que será nuevamente nuestra
variable de interés; 5) conflict_filter que filtra a aquellas personas
que fueron víctimas dentro del marco del conflicto armado (variable is_conflict
== TRUE) o no (variable is_conflict == FALSE).
Esta función también incluye un argumento denominado 5) forced_dis_filter que
aplica únicamente a esta violación. Esta indica si la víctima
fue desaparecida de forma “forzada” (forced_dis == TRUE) o no (forced_dis == FALSE).
Para otras violaciones este argumento siempre será “FALSE”.
También contamos con otros argumentos: 6) edad_minors_filter que filtra por
víctimas menores de edad (edad_minors_filter == TRUE) y 7) include_props
que permite incluir el cálculo de las proporciones para nuestras variables de
interés (include_props == TRUE). Cabe aclarar que el número de digitos por
defecto es = 2.
tabla_combinada <- verdata::combine_replicates("desaparicion",
tabla_documentada,
replicas_datos,
strata_vars = "sexo",
conflict_filter = TRUE,
forced_dis_filter = TRUE,
edad_minors_filter = FALSE,
include_props = TRUE)
tabla_combinada <- tabla_combinada %>%
select(sexo, observed, obs_prop_na, obs_prop, imp_lo, imp_mean, imp_hi,
imp_lo_p, imp_mean_p, imp_hi_p )
paged_table(tabla_combinada, options = list(rows.print = 10, cols.print = 5))Vemos la primera columna referida a las víctimas que fueron registradas en las bases de datos como vinculadas al conflicto armado y desaparición forzada, y que sin embargo no conocemos el sexo de 755 víctimas; y como se indicó en el ejemplo anterior, en esta columna excluímos víctimas no vinculadas a estos fenómenos y personas que tenían campos faltantes allí. Estas últimas fueron objeto de la imputación estadística múltiple y por tal razón vemos que en la columna imp_mean hay una mayor cantidad de víctimas ya que estas 755 se imputaron y por ende estas personas “pasaron” a algunas de las categorías de nuestro interés. Es decir, recordemos que estas nuevas columnas incluyen todas las víctimas, independientemente si pasaron por un proceso de imputación o no.
Así, después del proceso de imputación estadística y con un con un nivel de confianza del 95% se evidencia que hubo entre 100 088 a 102 496 víctimas hombres, con un promedio de 101 292. Es decir, esto implica que este promedio es la mejor estimación puntual respecto al número de víctimas de esta categoría, no obstante, hay que tener en cuenta que siempre tendremos la incertidumbre de la imputación y que dicho fenómeno estará representado por el intervalo de confianza del 95%.
Por último, guardamos los resultados (en formato .parquet) en una carpeta denominada “output-imputados”, ya que esta tabla nos servirá como insumo para dimensionar los patrones de documentación de la violencia (como este y el anterior ejemplo) en contraste con los patrones de violencia a partir de la estimación y combinación
Ejercicio
Acorde con la anterior interpretación, ¿cómo interpretaría los resultados para las demás categorías?